Αυτή η ανάρτηση γράφτηκε από κοινού με τον Greg Benson, Επικεφαλής Επιστήμονα. Aaron Kesler, Sr. Product Manager. και Rich Dill, Enterprise Solutions Architect από την SnapLogic.
Πολλοί πελάτες δημιουργούν εφαρμογές τεχνητής νοημοσύνης Θεμέλιο του Αμαζονίου και Amazon Code Whisperer για τη δημιουργία τεχνουργημάτων κώδικα με βάση τη φυσική γλώσσα. Αυτή η περίπτωση χρήσης υπογραμμίζει πώς τα μεγάλα γλωσσικά μοντέλα (LLM) μπορούν να γίνουν μεταφραστής μεταξύ ανθρώπινων γλωσσών (Αγγλικά, Ισπανικά, Αραβικά και άλλα) και ερμηνεύσιμων από μηχανή γλωσσών (Python, Java, Scala, SQL κ.λπ.) μαζί με εξελιγμένες εσωτερικός συλλογισμός. Αυτή η αναδυόμενη ικανότητα στα LLM έχει αναγκάσει τους προγραμματιστές λογισμικού να χρησιμοποιούν τα LLM ως εργαλείο αυτοματισμού και βελτίωσης UX που μετατρέπει τη φυσική γλώσσα σε γλώσσα συγκεκριμένης περιοχής (DSL): οδηγίες συστήματος, αιτήματα API, τεχνουργήματα κώδικα και άλλα. Σε αυτή την ανάρτηση, σας δείχνουμε πώς SnapLogic, ένας πελάτης της AWS, χρησιμοποίησε το Amazon Bedrock για την τροφοδοσία τους SnapGPT προϊόν μέσω της αυτοματοποιημένης δημιουργίας αυτών των πολύπλοκων τεχνουργημάτων DSL από ανθρώπινη γλώσσα.
Όταν οι πελάτες δημιουργούν αντικείμενα DSL από LLM, το DSL που προκύπτει είναι είτε ακριβές αντίγραφο είτε παράγωγο υπάρχοντος δεδομένων και σχήματος διεπαφής που αποτελεί τη σύμβαση μεταξύ του UI και της επιχειρηματικής λογικής στην υπηρεσία υποστήριξης. Αυτό το μοτίβο είναι ιδιαίτερα δημοφιλές με τους ανεξάρτητους προμηθευτές λογισμικού (ISV) και τα ISV λογισμικού ως υπηρεσίας (SaaS), λόγω του μοναδικού τους τρόπου αναπαράστασης διαμορφώσεων μέσω κώδικα και της επιθυμίας να απλοποιήσουν την εμπειρία χρήστη για τους πελάτες τους. Παραδείγματα περιπτώσεων χρήσης περιλαμβάνουν:
Ο πιο απλός τρόπος για τη δημιουργία και την κλιμάκωση εφαρμογών text-to-pipeline με LLM στο AWS είναι η χρήση του Amazon Bedrock. Το Amazon Bedrock είναι ο ευκολότερος τρόπος δημιουργίας και κλιμάκωσης των παραγωγικών εφαρμογών τεχνητής νοημοσύνης με μοντέλα θεμελίωσης (FM). Είναι μια πλήρως διαχειριζόμενη υπηρεσία που προσφέρει πρόσβαση σε μια επιλογή βασικών FM υψηλής απόδοσης από κορυφαία τεχνητή νοημοσύνη μέσω ενός μόνο API, μαζί με ένα ευρύ σύνολο δυνατοτήτων που χρειάζεστε για να δημιουργήσετε εφαρμογές τεχνητής νοημοσύνης με απόρρητο και ασφάλεια. Η Anthropic, ένα εργαστήριο ασφάλειας και έρευνας AI που κατασκευάζει αξιόπιστα, ερμηνεύσιμα και κατευθυνόμενα συστήματα τεχνητής νοημοσύνης, είναι μία από τις κορυφαίες εταιρείες τεχνητής νοημοσύνης που προσφέρει πρόσβαση στο υπερσύγχρονο LLM τους, Claude, στο Amazon Bedrock. Ο Claude είναι ένα LLM που διαπρέπει σε ένα ευρύ φάσμα εργασιών, από στοχαστικό διάλογο, δημιουργία περιεχομένου, σύνθετη συλλογιστική, δημιουργικότητα και κωδικοποίηση. Η Anthropic προσφέρει μοντέλα Claude και Claude Instant, τα οποία είναι όλα διαθέσιμα μέσω του Amazon Bedrock. Ο Claude κέρδισε γρήγορα δημοτικότητα σε αυτές τις εφαρμογές text-to-pipeline λόγω της βελτιωμένης συλλογιστικής του ικανότητας, η οποία του επιτρέπει να υπερέχει στην επίλυση διφορούμενων τεχνικών προβλημάτων. Το Claude 2 στο Amazon Bedrock υποστηρίζει ένα παράθυρο περιβάλλοντος 100,000 τόνων, το οποίο ισοδυναμεί με περίπου 200 σελίδες αγγλικού κειμένου. Αυτό είναι ένα ιδιαίτερα σημαντικό χαρακτηριστικό στο οποίο μπορείτε να βασιστείτε κατά τη δημιουργία εφαρμογών από κείμενο σε σωλήνωση που απαιτούν πολύπλοκη λογική, λεπτομερείς οδηγίες και ολοκληρωμένα παραδείγματα.
SnapLogic φόντο
Το SnapLogic είναι ένας πελάτης της AWS με αποστολή να φέρει τον εταιρικό αυτοματισμό στον κόσμο. Η SnapLogic Intelligent Integration Platform (IIP) δίνει τη δυνατότητα στους οργανισμούς να πραγματοποιούν αυτοματισμό σε επίπεδο επιχείρησης συνδέοντας ολόκληρο το οικοσύστημα εφαρμογών, βάσεων δεδομένων, μεγάλων δεδομένων, μηχανημάτων και συσκευών, API και άλλα με προκατασκευασμένες, έξυπνες συνδέσεις που ονομάζονται Snaps. Το SnapLogic κυκλοφόρησε πρόσφατα μια δυνατότητα που ονομάζεται SnapGPT, το οποίο παρέχει μια διεπαφή κειμένου όπου μπορείτε να πληκτρολογήσετε την επιθυμητή διοχέτευση ενοποίησης που θέλετε να δημιουργήσετε σε απλή ανθρώπινη γλώσσα. Το SnapGPT χρησιμοποιεί το μοντέλο Claude της Anthropic μέσω του Amazon Bedrock για να αυτοματοποιήσει τη δημιουργία αυτών των αγωγών ενοποίησης ως κώδικα, οι οποίοι στη συνέχεια χρησιμοποιούνται μέσω της ναυαρχίδας λύσης ενοποίησης της SnapLogic. Ωστόσο, το ταξίδι του SnapLogic στο SnapGPT ήταν το επιστέγασμα πολλών ετών που δραστηριοποιείται στον χώρο της τεχνητής νοημοσύνης.
Το ταξίδι της τεχνητής νοημοσύνης του SnapLogic
Στον τομέα των πλατφορμών ενσωμάτωσης, το SnapLogic βρίσκεται σταθερά στην πρώτη γραμμή, αξιοποιώντας τη μεταμορφωτική δύναμη της τεχνητής νοημοσύνης. Με τα χρόνια, η δέσμευση της εταιρείας να καινοτομεί με την τεχνητή νοημοσύνη έχει γίνει εμφανής, ειδικά όταν παρακολουθούμε το ταξίδι από ίρις προς την Αυτόματος Σύνδεσμος.
Τα ταπεινά ξεκινήματα με την Ίριδα
Το 2017, η SnapLogic αποκάλυψε την Iris, μια πρώτη στον κλάδο βοηθό ενσωμάτωσης με τεχνητή νοημοσύνη. Το Iris σχεδιάστηκε για να χρησιμοποιεί αλγόριθμους μηχανικής μάθησης (ML) για την πρόβλεψη των επόμενων βημάτων στην κατασκευή ενός αγωγού δεδομένων. Αναλύοντας εκατομμύρια στοιχεία μεταδεδομένων και ροές δεδομένων, η Iris θα μπορούσε να κάνει έξυπνες προτάσεις στους χρήστες, εκδημοκρατίζοντας την ενοποίηση δεδομένων και επιτρέποντας ακόμη και σε αυτούς που δεν διαθέτουν βαθύ τεχνικό υπόβαθρο να δημιουργούν πολύπλοκες ροές εργασίας.
AutoLink: Δημιουργία δυναμικής
Με βάση την επιτυχία και τα διδάγματα από την Iris, η SnapLogic παρουσίασε το AutoLink, μια δυνατότητα που στοχεύει στην περαιτέρω απλοποίηση της διαδικασίας χαρτογράφησης δεδομένων. Η κουραστική εργασία της μη αυτόματης αντιστοίχισης πεδίων μεταξύ των συστημάτων πηγής και προορισμού έγινε παιχνιδάκι με το AutoLink. Χρησιμοποιώντας AI, το AutoLink εντόπισε αυτόματα και πρότεινε πιθανές αντιστοιχίσεις. Οι ενσωματώσεις που κάποτε χρειάζονταν ώρες μπορούσαν να εκτελεστούν μέσα σε λίγα λεπτά.
Το γενετικό άλμα με το SnapGPT
Η τελευταία επιδρομή του SnapLogic στην τεχνητή νοημοσύνη μας φέρνει το SnapGPT, το οποίο στοχεύει να φέρει την επανάσταση ακόμη περισσότερο στην ενοποίηση. Με το SnapGPT, το SnapLogic παρουσιάζει την πρώτη λύση ενσωμάτωσης στον κόσμο. Αυτό δεν αφορά απλώς την απλοποίηση των υπαρχουσών διαδικασιών, αλλά την πλήρη επανεξέταση του τρόπου σχεδιασμού των ενσωματώσεων. Η δύναμη της παραγωγικής τεχνητής νοημοσύνης μπορεί να δημιουργήσει ολόκληρους αγωγούς ενοποίησης από την αρχή, βελτιστοποιώντας τη ροή εργασίας με βάση το επιθυμητό αποτέλεσμα και τα χαρακτηριστικά δεδομένων.
Το SnapGPT είναι εξαιρετικά επιδραστικό στους πελάτες του SnapLogic επειδή είναι σε θέση να μειώσουν δραστικά τον χρόνο που απαιτείται για τη δημιουργία του πρώτου τους αγωγού SnapLogic. Παραδοσιακά, οι πελάτες του SnapLogic θα έπρεπε να περνούν μέρες ή εβδομάδες διαμορφώνοντας τους αγωγούς ενοποίησης από την αρχή. Τώρα, αυτοί οι πελάτες μπορούν απλώς να ζητήσουν από το SnapGPT, για παράδειγμα, να «δημιουργήσει μια διοχέτευση που θα μετακινήσει όλους τους ενεργούς πελάτες SFDC μου στο WorkDay». Ένα λειτουργικό πρώτο σχέδιο ενός αγωγού δημιουργείται αυτόματα για αυτόν τον πελάτη, μειώνοντας δραστικά τον χρόνο ανάπτυξης που απαιτείται για τη δημιουργία της βάσης του αγωγού ολοκλήρωσής του. Αυτό επιτρέπει στον τελικό πελάτη να αφιερώνει περισσότερο χρόνο εστιάζοντας σε αυτό που έχει πραγματικό επιχειρηματικό αντίκτυπο σε αυτόν αντί να εργάζεται σε διαμορφώσεις ενός αγωγού ενοποίησης. Το ακόλουθο παράδειγμα δείχνει πώς ένας πελάτης SnapLogic μπορεί να εισάγει μια περιγραφή στη δυνατότητα SnapGPT για να δημιουργήσει γρήγορα μια διοχέτευση, χρησιμοποιώντας φυσική γλώσσα.
Η AWS και η SnapLogic συνεργάστηκαν στενά σε όλη αυτή τη δημιουργία προϊόντος και έχουν μάθει πολλά στην πορεία. Το υπόλοιπο αυτής της ανάρτησης θα επικεντρωθεί στις τεχνικές γνώσεις που είχαν το AWS και το SnapLogic χρησιμοποιώντας τα LLM για εφαρμογές κειμένου σε σωλήνωση.
Επισκόπηση λύσεων
Για να λύσουν αυτό το πρόβλημα μετατροπής κειμένου σε σωλήνωση, η AWS και η SnapLogic σχεδίασαν μια ολοκληρωμένη λύση που φαίνεται στην ακόλουθη αρχιτεκτονική.
Ένα αίτημα προς το SnapGPT διέρχεται από την ακόλουθη ροή εργασίας:
- Ένας χρήστης υποβάλλει μια περιγραφή στην εφαρμογή.
- Το SnapLogic χρησιμοποιεί μια προσέγγιση Augmented Generation (RAG) ανάκτησης για να ανακτήσει σχετικά παραδείγματα αγωγών SnapLogic που είναι παρόμοια με το αίτημα του χρήστη.
- Αυτά τα εξαγόμενα σχετικά παραδείγματα συνδυάζονται με την εισαγωγή του χρήστη και περνούν από κάποια προεπεξεργασία κειμένου πριν σταλούν στον Claude στο Amazon Bedrock.
- Ο Claude παράγει ένα τεχνούργημα JSON που αντιπροσωπεύει μια διοχέτευση SnapLogic.
- Το τεχνούργημα JSON είναι άμεσα ενσωματωμένο στην βασική πλατφόρμα ενσωμάτωσης SnapLogic.
- Η διοχέτευση SnapLogic αποδίδεται στον χρήστη με οπτικό φιλικό τρόπο.
Μέσα από διάφορους πειραματισμούς μεταξύ AWS και SnapLogic, διαπιστώσαμε ότι το άμεσο βήμα μηχανικής του διαγράμματος λύσης είναι εξαιρετικά σημαντικό για τη δημιουργία εξόδων υψηλής ποιότητας για αυτές τις εξόδους από κείμενο σε σωλήνα. Η επόμενη ενότητα προχωρά περαιτέρω σε ορισμένες συγκεκριμένες τεχνικές που χρησιμοποιούνται με τον Claude σε αυτόν τον χώρο.
Άμεσος πειραματισμός
Σε όλη τη φάση ανάπτυξης του SnapGPT, το AWS και το SnapLogic διαπίστωσαν ότι η ταχεία επανάληψη των προτροπών που αποστέλλονταν στον Claude ήταν ένα κρίσιμο έργο ανάπτυξης για τη βελτίωση της ακρίβειας και της συνάφειας των εξόδων κειμένου σε σωλήνωση στις εξόδους του SnapLogic. Με τη χρήση Στούντιο Amazon SageMaker διαδραστικοί φορητοί υπολογιστές, η ομάδα AWS και SnapLogic μπόρεσε να επεξεργαστεί γρήγορα διαφορετικές εκδόσεις προτροπών χρησιμοποιώντας το Σύνδεση Boto3 SDK με το Amazon Bedrock. Η ανάπτυξη βασισμένη σε φορητούς υπολογιστές επέτρεψε στις ομάδες να δημιουργήσουν γρήγορα συνδέσεις από την πλευρά του πελάτη στο Amazon Bedrock, να συμπεριλάβουν περιγραφές που βασίζονται σε κείμενο μαζί με κώδικα Python για την αποστολή προτροπών στο Amazon Bedrock και να πραγματοποιήσουν κοινές συνεδρίες μηχανικής προτροπής όπου οι επαναλήψεις γίνονταν γρήγορα μεταξύ πολλών προσώπων.
Anthropic Claude άμεσες μεθόδους μηχανικής
Σε αυτήν την ενότητα, περιγράφουμε μερικές από τις επαναληπτικές τεχνικές που χρησιμοποιήσαμε για τη δημιουργία μιας προτροπής υψηλής απόδοσης με βάση ένα επεξηγηματικό αίτημα χρήστη: "Δημιουργήστε μια διοχέτευση που χρησιμοποιεί τη βάση δεδομένων ExampleCompany που ανακτά όλους τους ενεργούς πελάτες". Λάβετε υπόψη ότι αυτό το παράδειγμα δεν είναι το σχήμα από το οποίο τροφοδοτείται το SnapGPT και χρησιμοποιείται μόνο για την απεικόνιση μιας εφαρμογής κειμένου σε σωλήνωση.
Για να βασίσουμε την άμεση μηχανική μας, χρησιμοποιούμε την ακόλουθη αρχική προτροπή:
Δημιουργήστε μια διοχέτευση που χρησιμοποιεί τη βάση δεδομένων ExampleCompany η οποία ανακτά όλους τους ενεργούς πελάτες
Η αναμενόμενη έξοδος είναι η εξής:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Βελτίωση #1: Χρήση των σχολιασμών Human και Assistant
Η διαδικασία εκπαίδευσης του Claude διδάσκει στο FM να κατανοεί τον διάλογο μεταξύ ενός ανθρώπου και ενός βοηθού στην άμεση δομή του. Οι χρήστες του Claude μπορούν να επωφεληθούν από αυτήν τη δομή τερματίζοντας την προτροπή τους στο Assistant:, το οποίο θα ενεργοποιήσει τον Claude να αρχίσει να δημιουργεί την απάντηση σε ένα ερώτημα με βάση τα όσα είπε ο άνθρωπος. Σημειώστε ότι επειδή ο Claude θα συνεχίσει να δημιουργεί κείμενο μέχρι να του ζητηθεί να σταματήσει, βεβαιωθείτε ότι χρησιμοποιείτε μια ακολουθία διακοπής του nnHuman: στο αίτημα API προς το Amazon Bedrock όταν χρησιμοποιείτε τον Claude. Αυτό θα εξασφαλίσει ότι θα λάβετε μόνο την απάντηση από τον βοηθό και όχι την προβλεπόμενη επόμενη απάντηση από τον άνθρωπο στην αλυσίδα διαλόγου. Αυτοί οι δείκτες nnHuman και nnAssistant όχι μόνο βοηθούν στον περιορισμό της ανταπόκρισης του Claude σε σχετικές πληροφορίες, αλλά βοηθούν επίσης στην παροχή σαφούς οριοθέτησης μεταξύ των πρωταρχικών ανθρώπινων εισροών και των απαντήσεων βοηθών από άλλες αλληλεπιδράσεις. Αυτό βοηθά ιδιαίτερα σε μια ρύθμιση προτροπής μερικών λήψεων όπου μπορείτε να έχετε πολλαπλά ερωτήματα και απαντήσεις με ερωτήματα με ετικέτα nnHuman και προηγούμενες απαντήσεις με ετικέτα nnAssistant. Ας δούμε τη βελτιωμένη προτροπή και τη σχετική ενδεικτική κλήση API στο Amazon Bedrock μέσω του Boto3 SDK.
Χρησιμοποιούμε την ακόλουθη προτροπή:
Human: Δημιουργήστε μια διοχέτευση που χρησιμοποιεί τη βάση δεδομένων ExampleCompany που ανακτά όλους τους ενεργούς πελάτες
Βοηθός:
Η έξοδος έχει ως εξής:
Ακολουθεί μια διοχέτευση MongoDB για την ανάκτηση όλων των ενεργών πελατών από τη βάση δεδομένων ExampleCompany:
pipeline = [ { '$match': { 'database': 'ExampleCompany', 'status': 'active' } } ] db.customers.aggregate(pipeline)
Τα βασικά βήματα είναι:
– «$match» για φιλτράρισμα των εγγράφων μόνο σε αυτά στη βάση δεδομένων ExampleCompany και με κατάσταση ίση με «ενεργό».
– Το `db.customers.aggregate()` εκτελεί τη διοχέτευση στη συλλογή πελατών και επιστρέφει τα φιλτραρισμένα αποτελέσματα.
Έτσι, αυτό θα επιστρέψει όλα τα έγγραφα πελατών από τη βάση δεδομένων ExampleCompany όπου το πεδίο κατάστασης έχει οριστεί σε "ενεργό".
Παρατηρήστε πώς στην έξοδο, ο Claude δίνει μια απάντηση στην ερώτησή μας χωρίς κανένα πλαίσιο. Η απάντηση είναι δυνητικά χρήσιμη, αλλά δεν είναι συγκεκριμένη για το πρόβλημα που προσπαθούμε να λύσουμε, επειδή δεν παρέχεται επαρκές πλαίσιο. Είναι επίσης σημαντικό να σημειωθεί ότι το Anthropic απαιτεί αυτή τη μορφή ανθρώπου και βοηθού όταν χρησιμοποιεί τα μοντέλα Claude. Εάν δεν συμπεριλάβετε αυτό το βήμα, το Amazon Bedrock θα επιστρέψει ένα σφάλμα.
Βελτίωση #2: Συμπεριλάβετε το υπερ-συγκεκριμένο πλαίσιο για τον Claude πριν του πει τι να κάνει
Ο Claude αποδίδει καλύτερα όταν του δίνεται καλό πλαίσιο σχετικά με το τι πρέπει να επιτύχει καθώς και τον τρόπο με τον οποίο υποτίθεται ότι θα ολοκληρώσει αυτήν την εργασία. Ακολουθούν μερικά παραδείγματα πραγμάτων που πρέπει να συμπεριλάβετε ως πλαίσιο για τον Claude πριν του πείτε την εργασία:
- Περιγράψτε τη λειτουργία εργασίας που θέλετε να εκπληρώσει ο Claude. Κάνοντας αυτό, κάνετε τον Claude να σκεφτεί ως κάποιον που εργάζεται σε αυτή τη δουλειά ή περισσότερο σαν κάποιον που μόλις προσλήφθηκε σε αυτόν τον συγκεκριμένο ρόλο. Αυτό θα βοηθήσει τον Claude να διατυπώσει την απάντηση από την οπτική του συγκεκριμένου ρόλου εργασίας, μειώνοντας τις παραισθήσεις και την τυχαιότητα στην απάντηση.
- Συμπεριλάβετε τεχνικές λεπτομέρειες σχετικά με τη μορφή εξόδου. Τα μοντέλα θεμελίωσης είναι γενικά καλά στο να ακολουθούν ενέργειες, επομένως ζητώντας από τον Claude να δημιουργήσει την έξοδο σε μια συγκεκριμένη μορφή ή σχήμα με ένα ή μερικά παραδείγματα θα βοηθήσει τον Claude να δώσει την απάντηση στη σωστή μορφή, μειώνοντας την ανάγκη για φιλτράρισμα και μετεπεξεργασία της εξόδου. Το παράδειγμα στην ακόλουθη ερώτηση δείχνει ένα πλασματικό σχήμα που ταιριάζει με την αναμενόμενη έξοδο.
Ας συνδυάσουμε αυτές τις προτάσεις για να βελτιώσουμε την αρχική μας προτροπή:
Άνθρωπος: Η δουλειά σας είναι να ενεργείτε ως ειδικός στους αγωγούς ETL. Συγκεκριμένα, η δουλειά σας είναι να δημιουργήσετε μια αναπαράσταση JSON ενός αγωγού ETL που θα λύσει το αίτημα χρήστη που σας παρέχεται.
Η έξοδος JSON θα πρέπει να έχει την ακόλουθη μορφή:
Αυτή είναι η αποστολή σας: δημιουργήστε μια διοχέτευση που χρησιμοποιεί τη βάση δεδομένων ExampleCompany που ανακτά όλους τους ενεργούς πελάτες
Βοηθός:
Η έξοδος έχει ως εξής:
Ακολουθεί μια αναπαράσταση JSON μιας διοχέτευσης ETL για την ανάκτηση όλων των ενεργών πελατών από τη βάση δεδομένων ExampleCompany:
Αυτή η διοχέτευση χρησιμοποιεί τη βάση δεδομένων ExampleCompany και ένα ερώτημα SQL για να επιλέξει όλες τις εγγραφές από τον πίνακα πελατών όπου η κατάσταση είναι "ενεργή".
Με την προσθήκη του πλαισίου, το μοντέλο είναι πλέον σε θέση να φτάσει στο μεγαλύτερο μέρος της απάντησής μας. Τώρα ξέρει πώς να δομεί την έξοδο και κατανοεί ότι χρειάζεται να γράψει μια δήλωση SQL για να λύσει την εργασία. Ωστόσο, θα παρατηρήσετε ότι το μοντέλο δεν χρησιμοποιεί σωστά την ονοματολογία ec_prod.customers που περιμένουμε. Περιθωριο ΒΕΛΤΙΩΣΗΣ! Σημειώστε επίσης ότι στην πράξη, θα χρειαστεί να συμπεριλάβετε πολύ περισσότερο πλαίσιο από αυτό που παρέχουμε σε αυτό το παράδειγμα για αποτελέσματα υψηλής ποιότητας σε περιπτώσεις χρήσης κειμένου σε σωλήνωση.
Βελτίωση #3: Περικλείοντας παραδείγματα σε ετικέτες XML
Η εκμάθηση με λίγες λήψεις είναι ένας δημοφιλής τρόπος για να αυξήσετε την ακρίβεια με τα FM όπου έχετε σχετικά παραδείγματα για να καθοδηγήσετε τα FM στην εργασία τους. Αυτό είναι ιδιαίτερα σημαντικό όταν εργάζεστε σε εφαρμογές text-to-pipeline, επειδή αυτές οι υπερ-ειδικές έξοδοι διοχέτευσης συνήθως δεν περιλαμβάνονται σε κανένα δημόσιο σύνολο δεδομένων, επειδή είναι ειδικά για την αναπαράσταση δεδομένων ενός μεμονωμένου πελάτη. Όταν χρησιμοποιείτε τον Claude, μπορείτε να επωφεληθείτε από την έμφυτη γνώση των αυθαίρετων ετικετών XML για να παρέχετε αυτά τα παραδείγματα σε μορφή λίγων λήψεων. Στην παρακάτω βελτιωμένη προτροπή, παρατηρήστε την προσθήκη παραδειγμάτων που εσωκλείονται ετικέτες XML. Επίσης, μπορείτε να χρησιμοποιήσετε συντομογραφίες για τον άνθρωπο και τον βοηθό με H και A για να παρέχετε πλαίσιο στον Claude χωρίς να τον κάνετε να πιστεύει ότι αυτά ήταν συγκεκριμένα κομμάτια του διαλόγου που έχουν ήδη συμβεί.
Χρησιμοποιούμε την ακόλουθη προτροπή:
Άνθρωπος: Η δουλειά σας είναι να ενεργείτε ως ειδικός στους αγωγούς ETL. Συγκεκριμένα, η δουλειά σας είναι να δημιουργήσετε μια αναπαράσταση JSON ενός αγωγού ETL που θα λύσει το αίτημα χρήστη που σας παρέχεται.
Η έξοδος JSON θα πρέπει να έχει την ακόλουθη μορφή:
Ακολουθούν μερικά παραδείγματα αιτημάτων χρήστη και συσχετισμένων τεχνουργημάτων JSON εξόδου που επιλύουν σωστά την εργασία που παρέχεται. Βεβαιωθείτε ότι χρησιμοποιείτε την ίδια ονοματολογία που παρέχεται στα παραδείγματα, εάν χρησιμοποιείτε τις ίδιες βάσεις δεδομένων.
H: υποβάλετε ερώτημα στη βάση δεδομένων ExampleCompany για τυχόν ενεργές παραγγελίες για τον πελάτη #1234
A:
Το σκεπτικό για αυτό το ερώτημα είναι ότι ο πελάτης #1234 είναι φιλτραρισμένος και αναζητούμε στον πίνακα "παραγγελίες" για τυχόν υπάρχουσες εγγραφές μετά το φίλτρο "ενεργό".
Η: καταργήστε όλους τους πελάτες στη βάση δεδομένων ExampleCompany που δεν ήταν ενεργοί τον τελευταίο μήνα
A:
Το σκεπτικό για αυτό το ερώτημα είναι ότι ο πίνακας "ec_prod.customers" είναι ο μόνος πίνακας στη βάση δεδομένων ExampleCompany που περιέχει εγγραφές πελατών.
Αυτή είναι η αποστολή σας: δημιουργήστε μια διοχέτευση που χρησιμοποιεί τη βάση δεδομένων ExampleCompany που ανακτά όλους τους ενεργούς πελάτες.
Βοηθός:
Η έξοδος έχει ως εξής:
Ακολουθεί η αναπαράσταση JSON για μια διοχέτευση ETL για την ανάκτηση όλων των ενεργών πελατών από τη βάση δεδομένων ExampleCompany:
Το σκεπτικό είναι:
Η βάση δεδομένων ExampleCompany καθορίζεται ως η βάση δεδομένων προς χρήση
Ο πίνακας ec_prod.customers περιέχει τα δεδομένα πελατών
Το πεδίο κατάστασης υποδεικνύει εάν ένας πελάτης είναι ενεργός, επομένως το ερώτημα φιλτράρεται μόνο για ενεργούς πελάτες
Αυτό θα πρέπει να ανακτήσει όλες τις εγγραφές ενεργών πελατών από τη βάση δεδομένων ExampleCompany. Ενημερώστε με εάν χρειάζεστε οποιαδήποτε διευκρίνιση ή έχετε πρόσθετες απαιτήσεις για τον αγωγό ETL!
Η έξοδος JSON έχει τώρα τη σωστή ονοματολογία βάσης δεδομένων, την οποία ο Claude μπόρεσε να χρησιμοποιήσει λόγω των παραδειγμάτων που παρέχουμε. Η σύζευξη δεικτών ανθρώπου και βοηθού με ετικέτες XML διευκολύνει τον Claude να κατανοήσει ποια είναι η εργασία και ποια ήταν η απάντηση σε παρόμοια παραδείγματα με πολύ σαφή διαχωρισμό μεταξύ πολλών παραδειγμάτων λίγων λήψεων. Όσο πιο εύκολο είναι για τον Claude να καταλάβει, τόσο καλύτερη και πιο σχετική θα είναι η απάντηση, μειώνοντας περαιτέρω την πιθανότητα για το μοντέλο να έχει παραισθήσεις και να δώσει τυχαίες άσχετες απαντήσεις.
Βελτίωση #4: Ενεργοποίηση του Claude να ξεκινήσει τη δημιουργία JSON με ετικέτες XML
Μια μικρή πρόκληση με τις εφαρμογές text-to-pipeline που χρησιμοποιούν FM είναι η ανάγκη ακριβούς ανάλυσης μιας εξόδου από το κείμενο που προκύπτει, ώστε να μπορεί να ερμηνευθεί ως κώδικας σε μια μεταγενέστερη εφαρμογή. Ένας τρόπος για να το λύσετε αυτό με τον Claude είναι να επωφεληθείτε από την κατανόηση της ετικέτας XML και να το συνδυάσετε με μια προσαρμοσμένη ακολουθία διακοπής. Στην ακόλουθη ερώτηση, δώσαμε εντολή στον Claude να περικλείσει την έξοδο ετικέτες XML. Στη συνέχεια, προσθέσαμε το ετικέτα στο τέλος του μηνύματος. Αυτό διασφαλίζει ότι το πρώτο κείμενο που θα βγει από τον Claude θα είναι η αρχή της εξόδου JSON. Εάν δεν το κάνετε αυτό, ο Claude απαντά συχνά με κάποιο κείμενο συνομιλίας, τότε η απάντηση του αληθινού κώδικα. Δίνοντας εντολή στον Claude να ξεκινήσει αμέσως να παράγει την έξοδο, μπορείτε εύκολα να σταματήσετε τη δημιουργία όταν δείτε το κλείσιμο ετικέτα. Αυτό φαίνεται στην ενημερωμένη κλήση του Boto3 API. Τα οφέλη αυτής της τεχνικής είναι διπλά. Πρώτον, μπορείτε να αναλύσετε ακριβώς την απάντηση κώδικα από τον Claude. Δεύτερον, μπορείτε να μειώσετε το κόστος επειδή ο Claude δημιουργεί μόνο εξόδους κώδικα και όχι επιπλέον κείμενο. Αυτό μειώνει το κόστος στο Amazon Bedrock επειδή χρεώνεστε για κάθε διακριτικό που παράγεται ως έξοδο από όλα τα FM.
Χρησιμοποιούμε την ακόλουθη προτροπή:
Άνθρωπος: Η δουλειά σας είναι να ενεργείτε ως ειδικός στους αγωγούς ETL. Συγκεκριμένα, η δουλειά σας είναι να δημιουργήσετε μια αναπαράσταση JSON ενός αγωγού ETL που θα λύσει το αίτημα χρήστη που σας παρέχεται.
Η έξοδος JSON θα πρέπει να έχει την ακόλουθη μορφή:
Ακολουθούν μερικά παραδείγματα αιτημάτων χρήστη και συσχετισμένων τεχνουργημάτων JSON εξόδου που επιλύουν σωστά την εργασία που παρέχεται. Βεβαιωθείτε ότι χρησιμοποιείτε την ίδια ονοματολογία που παρέχεται στα παραδείγματα, εάν χρησιμοποιείτε τις ίδιες βάσεις δεδομένων.
H: υποβάλετε ερώτημα στη βάση δεδομένων ExampleCompany για τυχόν ενεργές παραγγελίες για τον πελάτη #1234
A:
Το σκεπτικό για αυτό το ερώτημα είναι ότι ο πελάτης #1234 είναι φιλτραρισμένος και αναζητούμε στον πίνακα "παραγγελίες" για τυχόν υπάρχουσες εγγραφές μετά το φίλτρο "ενεργό".
Η: καταργήστε όλους τους πελάτες στη βάση δεδομένων ExampleCompany που δεν ήταν ενεργοί τον τελευταίο μήνα
A:
Το σκεπτικό για αυτό το ερώτημα είναι ότι ο πίνακας "ec_prod.customers" είναι ο μόνος πίνακας στη βάση δεδομένων ExampleCompany που περιέχει εγγραφές πελατών.
Να θυμάστε πάντα να περικλείετε τις εξόδους JSON σας ετικέτες.
Αυτή είναι η αποστολή σας: δημιουργήστε μια διοχέτευση που χρησιμοποιεί τη βάση δεδομένων ExampleCompany που ανακτά όλους τους ενεργούς πελάτες.
Βοηθός:
Χρησιμοποιούμε τον παρακάτω κώδικα:
body = json.dumps({"prompt": prompt, "stop_sequences": ['nnHuman:', '</json>']})
response = bedrock.invoke_model(
body=body,
modelId='anthropic.claude-v2'
)
Η έξοδος έχει ως εξής:
{ "database": "ExampleCompany", "query": "SELECT * FROM ec_prod.customers WHERE status = 'active'" }
Τώρα φτάσαμε στην αναμενόμενη έξοδο με μόνο το αντικείμενο JSON που επιστρέφεται! Χρησιμοποιώντας αυτή τη μέθοδο, είμαστε σε θέση να δημιουργήσουμε ένα άμεσα χρησιμοποιήσιμο τεχνικό τεχνούργημα, καθώς και να μειώσουμε το κόστος παραγωγής μειώνοντας τα διακριτικά εξόδου.
Συμπέρασμα
Για να ξεκινήσετε σήμερα με το SnapGPT, ζητήστε α δωρεάν δοκιμή του SnapLogic or ζητήστε ένα demo του προϊόντος. Εάν θέλετε να χρησιμοποιήσετε αυτές τις έννοιες για τη δημιουργία εφαρμογών σήμερα, σας προτείνουμε πειραματίζονται πρακτικά με την ενότητα άμεσης μηχανικής σε αυτήν την ανάρτηση, χρησιμοποιώντας την ίδια ροή σε μια διαφορετική περίπτωση χρήσης γενιάς DSL που ταιριάζει στην επιχείρησή σας και βουτιά βαθύτερα στο Λειτουργίες RAG που είναι διαθέσιμες μέσω του Amazon Bedrock.
Το SnapLogic και το AWS μπόρεσαν να συνεργαστούν αποτελεσματικά για να δημιουργήσουν έναν προηγμένο μεταφραστή μεταξύ της ανθρώπινης γλώσσας και του πολύπλοκου σχήματος των αγωγών ενοποίησης SnapLogic που τροφοδοτούνται από το Amazon Bedrock. Σε όλο αυτό το ταξίδι, είδαμε πώς το αποτέλεσμα που δημιουργείται με τον Claude μπορεί να βελτιωθεί σε εφαρμογές κειμένου σε σωλήνωση χρησιμοποιώντας συγκεκριμένες τεχνικές άμεσης μηχανικής. Η AWS και η SnapLogic είναι ενθουσιασμένες που συνεχίζουν αυτή τη συνεργασία στο Generative AI και προσβλέπουν σε μελλοντική συνεργασία και καινοτομία σε αυτόν τον ταχέως εξελισσόμενο χώρο.
Σχετικά με τους Συγγραφείς
Γκρεγκ Μπένσον είναι Καθηγητής Επιστήμης Υπολογιστών στο Πανεπιστήμιο του Σαν Φρανσίσκο και επικεφαλής επιστήμονας στο SnapLogic. Εντάχθηκε στο Τμήμα Επιστήμης Υπολογιστών του USF το 1998 και έχει διδάξει προπτυχιακά και μεταπτυχιακά μαθήματα που περιλαμβάνουν λειτουργικά συστήματα, αρχιτεκτονική υπολογιστών, γλώσσες προγραμματισμού, κατανεμημένα συστήματα και εισαγωγικό προγραμματισμό. Ο Greg έχει δημοσιεύσει έρευνα στους τομείς των λειτουργικών συστημάτων, των παράλληλων υπολογιστών και των κατανεμημένων συστημάτων. Από τότε που έγινε μέλος της SnapLogic το 2010, ο Greg βοήθησε στο σχεδιασμό και την εφαρμογή πολλών βασικών χαρακτηριστικών πλατφόρμας, όπως η επεξεργασία συμπλέγματος, η επεξεργασία μεγάλων δεδομένων, η αρχιτεκτονική cloud και η μηχανική μάθηση. Αυτήν τη στιγμή εργάζεται στο Generative AI για την ενοποίηση δεδομένων.
Aaron Kesler είναι ο Ανώτερος Διευθυντής Προϊόντων για προϊόντα και υπηρεσίες τεχνητής νοημοσύνης στο SnapLogic, ο Aaron εφαρμόζει πάνω από δέκα χρόνια τεχνογνωσίας στη διαχείριση προϊόντων για την πρωτοποριακή ανάπτυξη προϊόντων AI/ML και τον ευαγγελισμό των υπηρεσιών σε ολόκληρο τον οργανισμό. Είναι ο συγγραφέας του επερχόμενου βιβλίου "What's Your Problem?" με στόχο την καθοδήγηση νέων διαχειριστών προϊόντων στη σταδιοδρομία διαχείρισης προϊόντων. Το επιχειρηματικό του ταξίδι ξεκίνησε με την κολεγιακή του startup, STAK, η οποία αργότερα εξαγοράστηκε από την Carvertise με τον Aaron να συνεισφέρει σημαντικά στην αναγνώρισή τους ως Tech Startup of the Year 2015 στο Delaware. Πέρα από τις επαγγελματικές του αναζητήσεις, ο Άαρον βρίσκει χαρά στο γκολφ με τον πατέρα του, στην εξερεύνηση νέων πολιτισμών και φαγητών στα ταξίδια του και στην εξάσκηση του γιουκαλίλι.
Πλούσιος άνηθος είναι Αρχιτέκτονας Principal Solutions με πείρα σε πολλούς τομείς εξειδίκευσης. Ένα ιστορικό επιτυχίας που καλύπτει το εταιρικό λογισμικό πολλαπλών πλατφορμών και το SaaS. Γνωστός για τη μετατροπή της υπεράσπισης των πελατών (που χρησιμεύει ως η φωνή του πελάτη) σε νέα χαρακτηριστικά και προϊόντα που παράγουν έσοδα. Αποδεδειγμένη ικανότητα να οδηγεί προϊόντα αιχμής στην αγορά και έργα στην ολοκλήρωση σύμφωνα με το χρονοδιάγραμμα και με χαμηλό προϋπολογισμό σε ταχύρυθμα χερσαία και υπεράκτια περιβάλλοντα. Ένας απλός τρόπος να με περιγράψεις: το μυαλό ενός επιστήμονα, η καρδιά ενός εξερευνητή και η ψυχή ενός καλλιτέχνη.
Κλέι Έλμορ είναι AI/ML Specialist Solutions Architect στο AWS. Αφού πέρασε πολλές ώρες σε ένα εργαστήριο έρευνας υλικών, το υπόβαθρό του στη χημική μηχανική έμεινε γρήγορα πίσω για να συνεχίσει το ενδιαφέρον του για τη μηχανική μάθηση. Έχει εργαστεί σε εφαρμογές ML σε πολλούς διαφορετικούς κλάδους, από το εμπόριο ενέργειας έως το μάρκετινγκ φιλοξενίας. Η τρέχουσα δουλειά του Clay στο AWS επικεντρώνεται στο να βοηθά τους πελάτες να φέρουν πρακτικές ανάπτυξης λογισμικού στο ML και σε παραγωγικούς φόρτους εργασίας AI, επιτρέποντας στους πελάτες να δημιουργούν επαναλαμβανόμενες, επεκτάσιμες λύσεις σε αυτά τα πολύπλοκα περιβάλλοντα. Στον ελεύθερο χρόνο του, ο Κλέι του αρέσει να κάνει σκι, να λύνει τους κύβους του Ρούμπικ, να διαβάζει και να μαγειρεύει.
Σίνα Σοτζούντι είναι στέλεχος τεχνολογίας, μηχανικός συστημάτων, ηγέτης προϊόντων, πρώην ιδρυτής και σύμβουλος startup. Εντάχθηκε στην AWS τον Μάρτιο του 2021 ως Principal Solutions Architect. Η Sina είναι επί του παρόντος ο επικεφαλής αρχιτέκτονας λύσεων στην περιοχή ΗΠΑ-Δύσης ISV. Συνεργάζεται με εταιρείες λογισμικού SaaS και B2B για να δημιουργήσουν και να αναπτύξουν τις επιχειρήσεις τους στο AWS. Πριν από τον ρόλο του στην Amazon, ο Sina ήταν στέλεχος τεχνολογίας στη VMware και στην Pivotal Software (IPO το 2018, VMware M&A το 2020) και υπηρέτησε πολλούς ηγετικούς ρόλους, συμπεριλαμβανομένου του ιδρυτή μηχανικού στα Xtreme Labs (εξαγορά Pivotal το 2013). Ο Sina έχει αφιερώσει τα τελευταία 15 χρόνια της εργασιακής του εμπειρίας στη δημιουργία πλατφορμών και πρακτικών λογισμικού για επιχειρήσεις, επιχειρήσεις λογισμικού και τον δημόσιο τομέα. Είναι ηγέτης του κλάδου με πάθος για την καινοτομία. Ο Sina είναι κάτοχος πτυχίου από το Πανεπιστήμιο του Waterloo όπου σπούδασε Ηλεκτρολόγος Μηχανικός και Ψυχολογία.
Sandeep Rohilla είναι Senior Solutions Architect στην AWS, υποστηρίζοντας πελάτες ISV στη Δυτική περιοχή των ΗΠΑ. Επικεντρώνεται στο να βοηθήσει τους πελάτες να δημιουργήσουν λύσεις αρχιτέκτονα αξιοποιώντας τα κοντέινερ και τη δημιουργία τεχνητής νοημοσύνης στο σύννεφο AWS. Η Sandeep είναι παθιασμένη να κατανοεί τα επιχειρηματικά προβλήματα των πελατών και να τους βοηθά να επιτύχουν τους στόχους τους μέσω της τεχνολογίας. Εντάχθηκε στην AWS αφού εργάστηκε για περισσότερο από μια δεκαετία ως αρχιτέκτονας λύσεων, φέρνοντας την εμπειρία του στα 17 χρόνια. Η Sandeep είναι κάτοχος MSc. στη Μηχανική Λογισμικού από το Πανεπιστήμιο της Δυτικής Αγγλίας στο Μπρίστολ, Η.Β.
Δρ Φαρούκ Σαμπίρ είναι Ανώτερος Αρχιτέκτονας Λύσεων Ειδικός Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης στο AWS. Είναι κάτοχος διδακτορικού και μεταπτυχιακού τίτλου στον Ηλεκτρολόγο Μηχανικό από το Πανεπιστήμιο του Τέξας στο Ώστιν και μεταπτυχιακό στην Επιστήμη Υπολογιστών από το Ινστιτούτο Τεχνολογίας της Τζόρτζια. Έχει πάνω από 15 χρόνια εργασιακή εμπειρία και επίσης του αρέσει να διδάσκει και να καθοδηγεί φοιτητές. Στην AWS, βοηθά τους πελάτες να διαμορφώσουν και να λύσουν τα επιχειρηματικά τους προβλήματα στην επιστήμη δεδομένων, τη μηχανική μάθηση, την όραση υπολογιστών, την τεχνητή νοημοσύνη, την αριθμητική βελτιστοποίηση και τους σχετικούς τομείς. Με έδρα το Ντάλας του Τέξας, αυτός και η οικογένειά του λατρεύουν να ταξιδεύουν και να κάνουν μακρινά οδικά ταξίδια.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/how-snaplogic-built-a-text-to-pipeline-application-with-amazon-bedrock-to-translate-business-intent-into-action/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 10
- 100
- 121
- 14
- 15 χρόνια
- 15%
- 150
- 17
- 1998
- 200
- 2010
- 2013
- 2015
- 2017
- 2018
- 2020
- 2021
- 31
- 33
- 7
- 8
- 9
- a
- Aaron
- ικανότητα
- Ικανός
- ΠΛΗΡΟΦΟΡΙΕΣ
- πρόσβαση
- ολοκληρώσει
- ακρίβεια
- Κατορθώνω
- αποκτήθηκαν
- απόκτηση
- απέναντι
- Πράξη
- Ενέργειες
- ενεργειών
- ενεργός
- προστιθέμενη
- Επιπλέον
- Πρόσθετος
- προηγμένες
- Πλεονέκτημα
- σύμβουλος
- συνηγορία
- Μετά το
- AI
- Συστήματα AI
- Τροφοδοτείται από AI
- AI / ML
- Απευθύνεται
- στόχοι
- αλγόριθμοι
- Όλα
- επιτρέπεται
- Επιτρέποντας
- επιτρέπει
- κατά μήκος
- κατά μήκος της πλευράς
- ήδη
- Επίσης
- Amazon
- Amazon υπηρεσίες Web
- ποσό
- an
- αναλύοντας
- και
- απάντηση
- απαντήσεις
- Ανθρωπικός
- κάθε
- api
- APIs
- Εφαρμογή
- εφαρμογές
- ισχύει
- πλησιάζω
- εφαρμογές
- αραβικός
- αρχιτεκτονική
- ΕΙΝΑΙ
- ΠΕΡΙΟΧΗ
- περιοχές
- γύρω
- έφτασε
- Τέχνη
- τεχνητός
- τεχνητή νοημοσύνη
- Τεχνητή Νοημοσύνη και Εκμάθηση Μηχανών
- καλλιτέχνης
- AS
- ζητώ
- ζητώντας
- Βοηθός
- συσχετισμένη
- At
- επαυξημένης
- austin
- συγγραφέας
- αυτοματοποίηση
- Αυτοματοποιημένη
- αυτομάτως
- Αυτοματοποίηση
- διαθέσιμος
- AWS
- Πελάτης AWS
- B2B
- φόντο
- υποστήριξη
- βάση
- βασίζονται
- Baseline
- BE
- Αρκούδα
- έγινε
- επειδή
- γίνονται
- ήταν
- πριν
- ξεκίνησε
- αρχίζουν
- πίσω
- είναι
- οφέλη
- ΚΑΛΎΤΕΡΟΣ
- Καλύτερα
- μεταξύ
- Πέρα
- Μεγάλος
- Big Data
- βιβλίο
- και οι δύο
- φέρω
- Φέρνοντας
- Φέρνει
- Μπρίστολ
- ευρύς
- γενικά
- προϋπολογισμός
- χτίζω
- Κτίριο
- Χτίζει
- χτισμένο
- επιχείρηση
- επιχειρηματικό αντίκτυπο
- επιχειρήσεις
- αλλά
- by
- κλήση
- που ονομάζεται
- CAN
- δυνατότητες
- Σταδιοδρομία
- περίπτωση
- περιπτώσεις
- Κέντρα
- αλυσίδα
- πρόκληση
- ευκαιρία
- χαρακτηριστικά
- φορτισμένα
- χημική ουσία
- αρχηγός
- επιλογή
- καθαρός
- στενά
- κλείσιμο
- Backup
- συστάδα
- κωδικός
- Κωδικοποίηση
- συνεργάστηκαν
- συνεργασία
- συλλογή
- Κολλέγιο
- συνδυασμός
- σε συνδυασμό
- έρχεται
- δέσμευση
- Εταιρείες
- Εταιρεία
- υποχρεωμένοι
- ολοκλήρωση
- συγκρότημα
- περιεκτικός
- υπολογιστή
- Πληροφορική
- Computer Vision
- χρήση υπολογιστή
- έννοιες
- Διαμόρφωση
- Συνδετικός
- σύνδεση
- Διασυνδέσεις
- με συνέπεια
- Εμπορευματοκιβώτια
- Περιέχει
- περιεχόμενο
- δημιουργία περιεχομένου
- συμφραζόμενα
- ΣΥΝΕΧΕΙΑ
- σύμβαση
- συμβάλλοντας
- ομιλητικός
- μαγείρεμα
- πυρήνας
- διορθώσει
- σωστά
- Κόστος
- θα μπορούσε να
- μαθήματα
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- δημιουργικότητα
- κρίσιμης
- Ρεύμα
- Τη στιγμή
- έθιμο
- πελάτης
- Πελάτες
- τομή
- αιχμής
- Ντάλας
- ημερομηνία
- ολοκλήρωση δεδομένων
- επεξεργασία δεδομένων
- επιστημονικά δεδομένα
- βάση δεδομένων
- βάσεις δεδομένων
- Ημ.
- δεκαετία
- μείωση
- αφιερωμένο
- βαθύς
- βαθύτερη
- Delaware
- Διαδήλωση
- Δημοκρατικός
- Τμήμα
- παραγωγό
- περιγράφουν
- περιγραφή
- Υπηρεσίες
- σχεδιασμένα
- επιθυμία
- επιθυμητή
- λεπτομερής
- καθέκαστα
- προγραμματιστές
- Ανάπτυξη
- Συσκευές
- Διάλογος
- διαφορετικές
- κατευθείαν
- διανέμονται
- κατανεμημένα συστήματα
- καταδύσεις
- do
- έγγραφα
- Όχι
- πράξη
- domains
- Μην
- κάτω
- προσχέδιο
- δραστικά
- αυτοκίνητο
- δυο
- κάθε
- ευκολότερη
- πιο εύκολη
- εύκολα
- οικοσύστημα
- αποτελεσματικά
- είτε
- Ηλεκτρολόγων Μηχανικών
- στοιχεία
- δίνει τη δυνατότητα
- τέλος
- κατάληξη
- ενέργεια
- μηχανικός
- Μηχανική
- Αγγλία
- Αγγλικά
- Βελτιστοποίηση
- αρκετά
- εξασφαλίζω
- εξασφαλίζει
- εισάγετε
- Εταιρεία
- επιχειρηματικό λογισμικό
- Επιχειρηματικές Λύσεις
- επιχειρήσεις
- Ολόκληρος
- εξ ολοκλήρου
- επιχειρηματικό
- περιβάλλοντα
- ίσος
- Ισοδύναμος
- σφάλμα
- ειδικά
- Αιθέρας (ΕΤΗ)
- Even
- εμφανές
- ακριβώς
- παράδειγμα
- παραδείγματα
- Excel
- ενθουσιασμένοι
- εκτελεστικός
- υφιστάμενα
- αναμένεται
- αναμένουν
- εμπειρία
- εμπειρογνώμονας
- εξειδίκευση
- εξερευνητής
- Εξερευνώντας
- επιπλέον
- εξαιρετικά
- οικογένεια
- ταχυκίνητος
- γρήγορος ρυθμός
- Χαρακτηριστικό
- Χαρακτηριστικά
- λίγοι
- πεδίο
- Πεδία
- φιλτράρισμα
- φιλτράρισμα
- Φίλτρα
- ευρήματα
- Όνομα
- ναυαρχίδα
- ροή
- Ροές
- Συγκέντρωση
- εστιάζει
- εστιάζοντας
- ακολουθήστε
- Εξής
- εξής
- τρόφιμα
- Για
- Επιδρομή
- Πρώτη γραμμή
- μορφή
- μορφές
- Προς τα εμπρός
- Βρέθηκαν
- Θεμέλιο
- ιδρύοντας
- Φρανσίσκο
- φιλικό
- από
- Εκπληρώ
- πλήρως
- λειτουργία
- περαιτέρω
- μελλοντικός
- κέρδισε
- γενικά
- παράγουν
- παράγεται
- δημιουργεί
- παραγωγής
- γενεά
- γενετική
- Παραγωγική τεχνητή νοημοσύνη
- Γεωργία
- Georgia Institute of Technology
- παίρνω
- gif
- δεδομένου
- Go
- Στόχοι
- πηγαίνει
- καλός
- αποφοιτήσουν
- Grow
- καθοδηγήσει
- είχε
- χέρι
- Αξιοποίηση
- Έχω
- he
- Καρδιά
- βοήθεια
- βοήθησε
- χρήσιμο
- βοήθεια
- βοηθά
- εδώ
- υψηλή απόδοση
- υψηλής ποιότητας
- ανταύγειες
- του
- κρατήστε
- κατέχει
- φιλοξενία
- ΩΡΕΣ
- Πως
- Πώς να
- Ωστόσο
- HTML
- HTTPS
- ανθρώπινος
- ταπεινός
- προσδιορίζονται
- if
- εικονογραφώ
- αμέσως
- Επίπτωση
- επιπτώσεις
- εφαρμογή
- σημαντικό
- βελτίωση
- βελτιωθεί
- βελτίωση
- in
- περιλαμβάνουν
- περιλαμβάνονται
- Συμπεριλαμβανομένου
- Αυξάνουν
- ανεξάρτητος
- υποδηλώνει
- δείκτες
- ατομικές
- βιομηχανίες
- βιομηχανία
- Ηγέτης της βιομηχανίας
- πληροφορίες
- έμφυτη
- καινοτόμος
- Καινοτομία
- εισαγωγή
- είσοδοι
- στιγμή
- αντί
- Ινστιτούτο
- οδηγίες
- ενσωματωθεί
- ολοκλήρωση
- ολοκληρώσεις
- Νοημοσύνη
- Έξυπνος
- πρόθεση
- αλληλεπιδράσεις
- διαδραστικό
- τόκος
- περιβάλλον λειτουργίας
- εσωτερικός
- σε
- εισήγαγε
- Εισάγει
- εισαγωγικός
- IPO
- isv
- IT
- επανάληψη
- επαναλήψεις
- ΤΟΥ
- Java
- Δουλειά
- εντάχθηκαν
- ενώνει
- άρθρωση
- ταξίδι
- χαρά
- jpg
- json
- μόλις
- Κλειδί
- Ξέρω
- γνώση
- γνωστός
- ξέρει
- εργαστήριο
- Labs
- Γλώσσα
- Γλώσσες
- large
- Επίθετο
- αργότερα
- αργότερο
- οδηγήσει
- ηγέτης
- Ηγεσία
- που οδηγεί
- Πήδημα
- μάθει
- μάθηση
- αριστερά
- ας
- μόχλευσης
- Μου αρέσει
- συμπαθεί
- λογική
- Μακριά
- ματιά
- Παρτίδα
- αγάπη
- M & A
- μηχανή
- μάθηση μηχανής
- μηχανήματα
- που
- κάνω
- ΚΑΝΕΙ
- Κατασκευή
- διαχειρίζεται
- διαχείριση
- διευθυντής
- Διευθυντές
- τρόπος
- χειροκίνητα
- πολοί
- χαρτης
- Μάρτιος
- αγορά
- Μάρκετινγκ
- σπίρτα
- υλικά
- me
- μέντορας
- καταναλωτές
- Μεταδεδομένα
- μέθοδος
- εκατομμύρια
- νου
- πρακτικά
- Αποστολή
- ML
- μοντέλο
- μοντέλα
- MongoDB
- περισσότερο
- πλέον
- μετακινήσετε
- MS
- Πολλαπλή πλατφόρμα
- πολλαπλούς
- my
- όνομα
- Φυσικό
- Φυσική γλώσσα
- Ανάγκη
- ανάγκες
- Νέα
- Νέες δυνατότητες
- καινούργιο προϊόν
- επόμενη
- Όχι.
- σημείωση
- φορητούς υπολογιστές
- Ειδοποίηση..
- τώρα
- αντικείμενο
- αντικειμένων
- συνέβη
- of
- προσφορές
- συχνά
- on
- μια φορά
- ONE
- αποκλειστικά
- λειτουργίας
- λειτουργικά συστήματα
- βελτιστοποίηση
- βελτιστοποίηση
- or
- τάξη
- παραγγελιών
- επιχειρήσεις
- οργανώσεις
- πρωτότυπο
- ΑΛΛΑ
- δικός μας
- έξω
- Αποτέλεσμα
- παραγωγή
- εξόδους
- επί
- σελίδες
- Παράλληλο
- ιδιαίτερα
- εταίρος
- Συνεταιρισμός
- πάθος
- παθιασμένος
- Το παρελθόν
- πρότυπο
- εκτελεί
- προοπτική
- φάση
- phd
- κομμάτια
- πρωτοπόρος
- αγωγού
- πιλοτικές
- Μέρος
- πλατφόρμες
- Πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Δημοφιλής
- δημοτικότητα
- Θέση
- δυναμικού
- ενδεχομένως
- δύναμη
- τροφοδοτείται
- πρακτική
- πρακτικές
- προβλέψει
- προβλεπόμενη
- προηγούμενος
- πρωταρχικός
- Κύριος
- μυστικότητα
- Απορρήτου και Ασφάλεια
- Πρόβλημα
- προβλήματα
- διαδικασία
- διαδικασια μας
- Διεργασίες
- μεταποίηση
- Παράγεται
- παράγει
- Προϊόν
- ανάπτυξη προϊόντων
- διαχείριση προϊόντων
- υπεύθυνος προϊόντων
- Προϊόντα
- Προϊόντα και Υπηρεσίες
- επαγγελματίας
- Δάσκαλος
- Προγραμματισμός
- γλώσσες προγραμματισμού
- έργα
- προτρέπει
- αποδεδειγμένη
- παρέχουν
- παρέχεται
- παρέχει
- χορήγηση
- Ψυχολογία
- δημόσιο
- δημοσιεύθηκε
- Δημοσιευμένη έρευνα
- επιδιώκω
- Python
- ερωτήματα
- ερώτηση
- γρήγορα
- τυχαίος
- τυχαία
- σειρά
- κυμαίνεται
- γρήγορα
- Ανάγνωση
- συνειδητοποιήσουν
- βασίλειο
- λαμβάνω
- πρόσφατα
- αναγνώριση
- συνιστώ
- ρεκόρ
- αρχεία
- μείωση
- μειώνει
- μείωση
- σχετικά με
- περιοχή
- εκ νέου φαντασία
- σχετίζεται με
- κυκλοφόρησε
- αξιόπιστος
- βασίζονται
- θυμάμαι
- αφαιρέστε
- αποδίδεται
- επαναληπτός
- απάντηση
- αντιπροσώπευση
- εκπροσωπούν
- αντιπροσωπεύει
- ζητήσει
- αιτήματα
- απαιτούν
- απαιτείται
- απαιτήσεις
- Απαιτεί
- έρευνα
- απάντησης
- απαντήσεις
- ΠΕΡΙΦΕΡΕΙΑ
- με αποτέλεσμα
- Αποτελέσματα
- απόδοση
- Επιστροφές
- φέρνω επανάσταση
- Πλούσιος
- δεξιά
- δρόμος
- Ρόλος
- ρόλους
- Δωμάτιο
- τρέξιμο
- τρέχει
- SaaS
- Ασφάλεια
- σοφός
- Είπε
- ίδιο
- Σαν
- Σαν Φρανσίσκο
- Scala
- επεκτάσιμη
- Κλίμακα
- πρόγραμμα
- Επιστήμη
- Επιστήμονας
- μηδέν
- SDK
- αναζήτηση
- Δεύτερος
- Τμήμα
- τομέας
- ασφάλεια
- δείτε
- δει
- επιλέξτε
- αποστολή
- αρχαιότερος
- αποστέλλονται
- Ακολουθία
- σερβίρεται
- υπηρεσία
- Υπηρεσίες
- εξυπηρετούν
- συνεδρίες
- σειρά
- τον καθορισμό
- διάφοροι
- θα πρέπει να
- δείχνουν
- παρουσιάζεται
- Δείχνει
- σημαντικά
- παρόμοιες
- Απλούς
- απλοποίηση
- απλουστεύοντας
- απλά
- αφού
- ενιαίας
- small
- So
- λογισμικό
- λογισμικό ως υπηρεσία
- Προγραμματιστές λογισμικού
- ανάπτυξη λογισμικού
- τεχνολογία λογισμικού
- λύση
- Λύσεις
- SOLVE
- Επίλυση
- μερικοί
- Κάποιος
- εξελιγμένα
- Ψυχή
- Πηγή
- Χώρος
- Ισπανικά
- ένταση
- ειδικός
- συγκεκριμένες
- ειδικά
- καθορίζεται
- δαπανήσει
- Δαπάνες
- SQL
- Εκκίνηση
- ξεκίνησε
- εκκίνηση
- Δήλωση
- Κατάσταση
- Βήμα
- Βήματα
- στάση
- ειλικρινής
- δομή
- Φοιτητές
- μελετημένος
- επιτυχία
- Στήριξη
- Υποστηρίζει
- υποτιθεμένος
- βέβαιος
- σύστημα
- συστήματα
- τραπέζι
- TAG
- Πάρτε
- στόχος
- Έργο
- εργασίες
- διδακτός
- ομάδες
- tech
- tech startup
- Τεχνικός
- τεχνική
- τεχνικές
- Τεχνολογία
- πει
- δέκα
- Τέξας
- κείμενο
- από
- ότι
- Η
- Η Δύση
- ο κόσμος
- τους
- Τους
- τότε
- Αυτοί
- αυτοί
- πράγματα
- νομίζω
- αυτό
- εκείνοι
- Μέσω
- παντού
- ώρα
- προς την
- σήμερα
- ένδειξη
- κουπόνια
- είπε
- πήρε
- εργαλείο
- ίχνος
- τροχιά
- Διαπραγμάτευσης
- παραδοσιακά
- Εκπαίδευση
- μεταμορφωτικός
- μετασχηματισμών
- μεταφράζω
- ταξίδι
- Ταξιδεύει
- τείνοντας
- δίκη
- ενεργοποιούν
- ενεργοποίηση
- αληθής
- Αληθινός Κώδικας
- προσπαθώντας
- Στροφή
- τύπος
- ui
- Uk
- υπό
- καταλαβαίνω
- κατανόηση
- καταλαβαίνει
- μοναδικός
- πανεπιστήμιο
- μέχρι
- αποκαλυπτήρια
- ανερχόμενος
- ενημερώθηκε
- επάνω σε
- us
- χρησιμοποιήσιμος
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- Χρήστες
- Η εμπειρία χρήστη
- Χρήστες
- χρησιμοποιεί
- χρησιμοποιώντας
- συνήθως
- ux
- διάφορα
- πωλητές
- πολύ
- μέσω
- όραμα
- οπτικές
- vmware
- Φωνή
- θέλω
- ήταν
- Τρόπος..
- we
- ιστός
- διαδικτυακές υπηρεσίες
- Εβδ.
- ΛΟΙΠΌΝ
- ήταν
- δυτικά
- Τι
- Τι είναι
- πότε
- Ποιό
- ευρύς
- Ευρύ φάσμα
- θα
- παράθυρο
- με
- χωρίς
- Εργασία
- εργάστηκαν
- ροής εργασίας
- ροές εργασίας
- εργαζόμενος
- λειτουργεί
- κόσμος
- του κόσμου
- θα
- γράφω
- XML
- έτος
- χρόνια
- εσείς
- Σας
- YouTube
- zephyrnet